-
公开(公告)号：CN118212674A
公开(公告)日：2024-06-18
申请号：CN202410302591.1
申请日：2024-03-18
Applicant: 中国科学院计算技术研究所
IPC: G06V40/16 , G06V10/774
Abstract: 本发明提供一种基于面部表情的视力筛查模型构建方法，视力筛查模型用于基于人脸图像判定受试者视力是否异常，包括：S1、构建初始模型，所述初始模型包括特征提取器、残差计算器、注意力模块和异常检测模块；S2、构建数据集，其包括多个受试者的人脸图像，并将受试者是否近视作为图像标签，从每个受试者的多个正常图像中随机选择一个作为该受试者的参考图像；S3、基于数据集构建第一训练集和第二训练集，所述第一训练集是以所有正常图像为训练图像与所有参考图像共同构成的集合，所述第二训练集是以所有正常图像和所有异常图像为训练图像并与所有参考图像共同构成的集合；S4、采用所述第一训练集和第二训练集依次对所述初始模型进行训练。
-
公开(公告)号：CN117746184A
公开(公告)日：2024-03-22
申请号：CN202311795114.5
申请日：2023-12-25
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/77 , G06V10/44 , G06N3/045 , G06N3/0495 , G06N3/096
Abstract: 本发明提供了一种图像分类模型的增量训练方法，所述方法包括：S1、采用上一次增量训练得到的图像分类模型作为当前轮初始图像分类模型；所述图像分类模型包括特征提取器和分类器，所述特征提取器用于提取图像数据的特征向量，所述分类器用于根据特征向量进行图像分类；S2、采用新训练集和旧训练集训练所述步骤S1中得到的初始图像分类模型至收敛，在训练过程中采用预设的总损失函数更新模型参数，所述总损失包括交叉熵损失和对比损失，所述对比损失是基于新训练集和旧训练集中的所有正对和负对计算。本发明的技术方案通过在训练中采用了包括基于图像的特征向量和类的特征向量的构建的正对和负对的对比损失，从而缓解了增量学习中的灾难性遗忘问题。
-
公开(公告)号：CN117292428A
公开(公告)日：2023-12-26
申请号：CN202311078758.2
申请日：2023-08-25
Applicant: 中国科学院计算技术研究所
IPC: G06V40/18 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/094
Abstract: 本发明提供了一种基于非对称的双分类器模型的领域自适应方法，该方法包括：获取训练集，其包括多个源域样本、多个目标域样本、用于指示每个源域样本所属眼底类别的标签，源域样本和目标域样本均为眼底图像；获取双分类器模型，其包括：基于正向分布补偿值和反向分布补偿值，利用所述训练集对特征提取器和两个分类器进行多次对抗训练，得到经训练的双分类模型。
-
公开(公告)号：CN114027786B
公开(公告)日：2023-04-18
申请号：CN202110917103.4
申请日：2021-08-11
Applicant: 中国科学院计算技术研究所 , 鹏城实验室
IPC: A61B5/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0895 , G06F18/2415
Abstract: 本发明提出一种基于自监督式记忆网络的睡眠呼吸障碍检测方法和系统，利用自监督学习模块丰富正常数据并从正常数据中学习一种通用模式，还引入了一种自适应记忆融合网络，包括全局记忆模块、局部记忆模块和自适应融合模块，分别通过全局和局部记忆模块学习正常数据的共有特征和特有特征，最后采用自适应融合模块将共有特征和特有特征融合到最终的特征表示中，将其用于重构输入数据。本发明实现了无监督的端到端模型训练方法，即无需异常数据就能够完成训练。
-
公开(公告)号：CN115953653A
公开(公告)日：2023-04-11
申请号：CN202111657111.6
申请日：2021-12-31
Applicant: 中国科学院计算技术研究所
IPC: G06V10/778 , G06V10/776 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于知识重要性的类别增量行为识别模型构建方法以及行为识别方法。本发明针对增量学习过程中灾难性遗忘和长尾数据集中类别不平衡的问题，首次提出了利用权重子集获得混合权重从而使教师模型自主识别重要性知识的判断方法，达到保留旧数据中的重要性知识，实现了在增量学习过程中，学生网络可以根据教师网络的判别效果自动更新自适应，从而在一定程度上缓解了灾难性遗忘问题；同时通过限制权重子集的范围，也解决了长尾数据集中类别不平衡的问题。
-
Patent Agency Ranking
公开(公告)号：CN112884076B
公开(公告)日：2022-07-15
申请号：CN202110312274.4
申请日：2021-03-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种基于条件式生成对抗网络的传感器数据生成模型及方法，所述模型包括：生成器以及判别器，其中，所述生成器包括第一条件功能模块、多尺度多维度功能模块、时序功能模块；所述判别器包括第二条件功能模块、时频域功能强化模块、相似度计算模块。通过本发明可以解决传感器数据采集耗时、标注成本高等问题，且可以通过类别条件控制合成满足专业人士的指定要求的逼真的多轴向时序传感器数据。
-
公开(公告)号：CN114209323A
公开(公告)日：2022-03-22
申请号：CN202210069138.1
申请日：2022-01-21
Applicant: 中国科学院计算技术研究所
Abstract: 本发明实施例提供了一种识别情绪的方法以及基于脑电数据的情绪识别模型，其中，情绪识别模型包括：空间矩阵构造模块，用于根据多个时间片中的每个时间片获得的用户的脑电信号生成第一空间矩阵，得到多个第一空间矩阵；空间特征提取模块，用于对多个第一空间矩阵中每个第一空间矩阵分别利用注意力机制计算每行以及每列的注意力权值，并根据每个第一空间矩阵的每行以及每列的注意力权值获得多个第二空间矩阵；时空特征融合模块，用于提取多个第二空间矩阵间的时序关联特征，根据多个第二空间矩阵以及对应的时序关联特征，得到多个时空表征向量；情绪识别模块，用于根据多个时空表征向量确定用户的情绪。
-
公开(公告)号：CN109086658B
公开(公告)日：2021-06-08
申请号：CN201810589194.1
申请日：2018-06-08
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于生成对抗网络的传感器数据生成方法，包括：模型构建步骤，以真实数据通过神经网络模型构建生成对抗网络模型，该生成对抗网络模型包括生成器和判别器；模型训练步骤，以对抗博弈机制训练该生成器和该判别器，并进行迭代，直到从该生成器获得的数据满足评价标准；数据生成步骤，以该生成器通过该对抗网络模型生成合成数据。
-
公开(公告)号：CN112073749A
公开(公告)日：2020-12-11
申请号：CN202010788036.6
申请日：2020-08-07
Applicant: 中国科学院计算技术研究所
IPC: H04N21/234 , H04N21/44 , G10L15/26 , G09B21/00
Abstract: 本发明实施例提供了一种手语视频合成方法、手语翻译系统、介质和电子设备，该方法包括：获取待处理文本中各字词对应的视频索引；根据视频索引从视频库中获取各字词对应的真人手语视频片段作为待拼接片段，其中，每个真人手语视频片段的首尾均包括多个冗余手势帧；将获取的待拼接片段按序拼接为用于表示待处理文本的手语视频，其中，在拼接前至少删除相邻的每两个待拼接片段中的部分冗余手势帧以使手语动作连贯；本发明可以从视频库的真人手语视频片段中选取待拼接片段，并将相邻待拼接片段的至少部分冗余手势帧删除后进行自动拼接以形成连贯的手语动作，具有语义表达真实自然、流畅度高、实用性强的优点。
-
公开(公告)号：CN114209323B
公开(公告)日：2024-05-10
申请号：CN202210069138.1
申请日：2022-01-21
Applicant: 中国科学院计算技术研究所
IPC: A61B5/16 , A61B5/369 , A61B5/00 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供了一种识别情绪的方法以及基于脑电数据的情绪识别模型，其中，情绪识别模型包括：空间矩阵构造模块，用于根据多个时间片中的每个时间片获得的用户的脑电信号生成第一空间矩阵，得到多个第一空间矩阵；空间特征提取模块，用于对多个第一空间矩阵中每个第一空间矩阵分别利用注意力机制计算每行以及每列的注意力权值，并根据每个第一空间矩阵的每行以及每列的注意力权值获得多个第二空间矩阵；时空特征融合模块，用于提取多个第二空间矩阵间的时序关联特征，根据多个第二空间矩阵以及对应的时序关联特征，得到多个时空表征向量；情绪识别模块，用于根据多个时空表征向量确定用户的情绪。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.043 seconds)
